[Ponencia originalmente leída en el seminario "La ingeniería lingüística en la sociedad de la información",Fundación Duques de Soria. Soria, 17-21 de julio de 2000. Posteriormente publicada en M. A. Martí y J.

Llisterri.2002. Tratamiento del lenguaje natural. Edicions Universitat de Barcelona: 61-90]

Tratamiento de corpora bilingüesJoseba Abaitua

www.deli.deusto.esUniversidad de Deusto

ResumenLos corpora bilingües son una fuente inagotable de recursos lingüísticos útiles para el desarrollode aplicaciones como la lexicografía, la terminografía, la traducción automática, la enseñanza desegundas lenguas, la edición plurilingüe y la búsqueda translingüística de información. El avancede la tecnología de tratamiento de corpora de lengua escrita ha coincidido con el desarrollo de latecnología web en Internet. Esta coincidencia ha propiciado una confluencia de estrategias en losdos campos, lo que se ha traducido en un interés común hacia los mecanismos de codificación yanotación, así como hacia la explotación de los contenidos. El plurilingüismo de Internet y loscorpora multilingües son el tema principal de esta ponencia.

0 IntroducciónEn la edición navideña de 1998 de Language International 10-6, en lo que era equivalente a unacarta a los Reyes Magos, Eduard Hovy, presidente de la Association for Machine Translation inthe Americas (AMTA), pedía dos cosas: un gusano que recorriera Internet recogiendo losvocablos nuevos que fueran surgiendo, tanto en su versión original como en sus traducciones; yun reconocedor de géneros y de "tipos" de texto. Con ello, estaba señalando dos de los problemasmás acuciantes de la tecnología del lenguaje, la diversidad lingüística y la dispersióndocumental, y además anticipaba cuál iba a ser su principal campo de aplicación, Internet.

Una de las líneas de trabajo más productivas en el contexto actual de la ingeniería lingüística esel tratamiento de corpora multilingües. La importancia de esta línea de trabajo está refrendadaprecisamente por el papel que ha adquirido Internet como vehículo de comunicación y depósitode información a escala planetaria. La red se ha convertido en el primer destinatario deaplicaciones lingüísticas, a la vez que en la más importante fuente de recursos. Es por ello quemuchos estudiosos del lenguaje contemplan Internet como un inmenso corpus de informaciónlingüística.

El primer apartado de la ponencia está dedicado a la lingüística de corpus, que es el área de lalingüística especializada en el aprovechamiento de los corpora. El segundo apartado presentarálos corpora bilingües y multilingües, con sus características y variedades, y las razones por lasque se cotizan al alza (utilizaremos indistintamente los términos "multilingüe" y "plurilingüe").El tercer apartado aborda las técnicas de tratamiento. El cuarto expone los tipos de anotaciones.El quinto y sexto se dedican a las tareas de segmentación y de alineación. De las aplicaciones sehabla en el séptimo y por último se aportan algunos datos que ilustrarán la importancia delplurilingüismo en Internet.

1 La lingüística de corpusComo paso previo a la discusión sobre los corpora multilingües, en este apartado se va a reseñarbrevemente el enfoque metodológico de la lingüística de corpus. Las obras de McEnery y Wilson

2

1996, o Pérez Guerra 1998 son dos introducciones muy recomendables para el lector que deseeampliar los datos aquí presentados.

Los primeros estudios basados en corpus se remontan a los años del estructuralismoprechomskyano, que consideraba el acopio de datos una tarea esencial del análisis lingüístico.Suele citarse la gramática de Fries 1952 como ejemplo pionero de aprovechamiento de datosextraídos de textos reales, con un adelanto de más de treinta años sobre la obra A comprehensivegrammar of the English language (de Quirk y otros, 1985). Pero la revolución del generativismo,a finales de los cincuenta, hizo que objetivos y metodologías del estructuralismo se cuestionaran.Chomsky identificó las limitaciones del corpus para explicar el carácter productivo del lenguajey propició un cambio radical en la forma de estudiar la gramática. La lingüística abandonó losmétodos empiristas basados en la observación de los datos, para promover la prospecciónintrospectiva. Durante las décadas de los sesenta y setenta, la escuela generativa haprotagonizado la escena lingüística, desplazando los trabajos de la lingüística de corpus a unsegundo plano.

Sin embargo, a finales de los ochenta algunos teóricos comenzaron a alzar la voz alertando de laslimitaciones de los modelos racionalistas. Birdsong 1989, por ejemplo, cuestionó las deficienciasde algunos análisis gramaticales basados únicamente en intuiciones, a menudo imprecisas y malcontrastadas, que no consideraban los datos empíricos observados en textos reales. Pero es sobretodo en áreas aplicadas, como la lingüística computacional, donde, pese al éxito en el desarrollode modelos formales útiles para tratar computacionalmente muchos aspectos del lenguaje,comienzan a notarse las limitaciones del enfoque racionalista.

Los formalismos gramaticales de los ochenta (FUG, LFG, HPSG, etc.) basan su potencial eninformación de tipo simbólico, y carecen de capacidad para expresar datos relacionados con lafrecuencia o la probabilidad. Pese a algunos intentos para combinar ambos tipos de información,los resultados han tenido poca difusión fuera del laboratorio. Entre tanto la industria necesitaaplicaciones para textos reales, y eso requiere el desarrollo de gramáticas muy complejas. Laenorme cantidad de variantes oracionales y sintagmáticas del lenguaje escrito es un escollo quecomplica esta tarea. Muchos sistemas acaban acumulando un número excesivo de reglas, lo queirremediablemente conduce a la redundancia, a la explosión combinatoria (de opcionesalternativas - con devastadores efectos sobre la resolución de ambigüedades-), así como a laaparición de inconsistencias y contradicciones. Otra fuente de preocupación ha sido el reducidotamaño de los diccionarios en la mayoría de los sistemas desarrollados y la baja cobertura detexto real que ello implica.

Movidos por estas inquietudes, desde mediados de los ochenta distintos colectivos han decididorecopilar y preparar para su aplicación colecciones de corpora. Con ellos se pretende conocermejor la realidad de los textos que se van a tratar. Merecen ser destacadas las siguientesiniciativas:

� en EEUU � Association for Computational Linguistics/Data Collection Initiative (ACL/DCI) � Linguistic Data Consortium (LDC) � Consortium for Lexical Research (CLR)

� en Europa � European Language Resources Association (ELRA)

La utilidad de los corpora depende de los criterios que se aplican en el momento de selección ycompilación de los textos. Varios autores (Atkins y otros 1992, Biber 1993, o McEnery y Wilson

3

1996) subrayan la influencia que estos criterios van a tener sobre el corpus resultante. Loscorpora pueden ser de tipos muy variados. Una primera clasificación depende de la propianaturaleza física de los datos. Marcos Marín 1994 distingue tres clases:

� Corpus oral: contiene sonidos, material fonético sin transliteración que sirve sobre todopara trabajos específicos de síntesis y reconocimiento de habla.

� Corpus de lengua hablada: contiene transliteraciones de textos grabados del registro oral.

� Corpus de lengua escrita: contiene textos pertenecientes a todas las modalidades delengua escrita, incluyendo la comercial, publicitaria, escolar y literaria.

Cada una de estas clases cumple funciones distintas y requiere por ello de tecnologías muydiferentes para su aprovechamiento. Aquí vamos a abordar la problemática de los corporamultilingües en la variedad de lengua escrita, que es la más habitual.

Otro criterio de clasificación tiene que ver con el género y la tipología textual. Este criterioafecta fundamentalmente a las propiedades de representatividad del corpus. Los criterios deselección serán muy diferentes según se pretenda diseñar un corpus especializado, como elAarhus Corpus - sobre derecho contractual europeo -, o se desee crear un corpus de referencia,con una cobertura amplia de estilos y registros. Por definición, los corpora de referencia abarcan,de la manera más exhaustiva posible, todos los aspectos relevantes sobre una lengua. Es el casonotorio del British National Corpus (BNC), que sobrepasa los 100 millones de palabras (90% delengua escrita y 10% de lengua hablada).

Es fácil confundir nociones como "dominio de especialidad", "campo temático", "categoríatextual" o "género". Todas tienen que ver con grupos textuales que el compilador de un corpusdebe considerar. Biber y Finegan 1986 y también Nakamura 1991 aplican la noción de géneropara distinguir los textos por su función pragmática: novela, artículo periodístico, ensayo, etc., esdecir, atendiendo a factores extralingüísticos. La noción de "tipo" de texto la emplean paradistinguir los textos según las propiedades lingüísticas relacionadas con aspectos cuantitativos:longitud de oraciones, utilización de perífrasis verbales, densidad léxica, uso de conectores, etc.Laviosa 1998, por ejemplo, ha encontrado diferencias cuantitativas importantes entre textostraducidos y originales en un corpus de inglés.

La tabla 1 muestra los criterios recomendados para el diseño del corpus de referencia delespañol, según la información proporcionada por Marcos Marín 1999 (y se comparan con losresultados del subcorpus elaborado en Argentina).

Porcentaje recomendado en % Género C. argentino %10-15 Científico 16,118-12 Comercial 3,2515-20 Escolar 9,205-6 Humanístico 21,665-6 Jurídico 6,305-10 Literario 9,0920-25 Periodístico 28,005-6 Publicitario -

10-15 Técnico 6,79nº de palabras del corpus argentino: 2.008.969

4

Tabla 1 Porcentaje de textos según géneros para corpus de referencia

De los corpora de lengua española, destacan los de la Real Academia de la Lengua (RAE),ocupada desde 1995 en compilar y anotar un corpus de carácter histórico y otro de referencia delespañol actual:

1. El Corpus Diacrónico del Español (CORDE) contiene textos de tres épocasfundamentales, Edad Media, Siglos de Oro y Época Contemporánea, y pretende serrepresentativo del español a lo largo de su historia.

2. El Corpus de Referencia del Español Actual (CREA) cubre veinticinco años desde 1975hasta 1999.

Cada corpus contiene 125 millones de palabras, e intenta representar todos los territorios dehabla hispana, tanto peninsulares como extrapeninsulares. A estos dos proyectos hay que sumarlógicamente algunos más.

Varias editoriales disponen también de corpora de español: Vox Bibliograf posee uno de 10millones de palabras, la editorial SGEL otro de 8 millones (denominado CUMBRE, Sánchez yCantos 1997) y la editorial SM otro de 60.000 palabras (Pérez Hernández y otros 1999). EnCataluña , el Institut d'Estudis Catalans, así como TERMCAT y l'Institut Universitari deLingüística Aplicada (IULA) de la Universitat Pompeu Fabra (Bach y otros 1997) han compiladocorpora del catalán; en el País Vasco Euskaltzaindia y UZEI, así como las universidades del PaísVasco y Deusto, disponen de distintas colecciones en euskara; y en Galicia la Academia de laLengua, ayudada por el Centro de Investigacións Ramón Piñeiro (Magán 1996), está estudiandoel etiquetado de su propios recursos textuales. El principal objetivo de todos estos esfuerzos es suaplicación en el campo de la lexicografía y terminografía. A partir de ahora vamos a centrarnosen los corpora multilingües.

2 Tipos de corpora multilingüesCon la rara excepción de Eaton 1940, la mayor parte de los corpora que se han recopilado en elmundo hasta fechas recientes han sido monolingües. Sin embargo, la apreciación de los corporamultilingües aumenta cada día, debido sobre todo a la riqueza de información y posibilidades deaprovechamiento que aportan. Es importante distinguir entre dos tipos:

� Corpora de textos en distintos idiomas. Colecciones de textos en varios idiomasrecopiladas con la intención de servir para estudios cuantitativos o estadísticos. Loscriterios de selección pueden ser muy diversos, desde la simple disponibilidad de lostextos, hasta la selección según géneros y tipos similares (pero sin llegar a sercomparables). Un ejemplo es el Multilingual Corpus de la European Corpus Initiative(D. McKelvie y H.S. Thompson, 1994).

� Corpora comparables: Baker 1995 introdujo este término para corpora monolingüescompuestos por textos originales en una lengua y traducciones de otros textos semejantesen la misma lengua. Martínez 1999 amplía el término a corpora multilingües quecontienen textos en distintos idiomas, que sin ser traducciones, comparten similar origen,temática, extensión y número: partes meteorológicos, ofertas laborales, artículos

5

periodísticos, etc. Es decir, que los textos no se reúnen de manera arbitraria, sino que seescogen de acuerdo con unos criterios de selección comunes (Hallebeek 1999). Es el casodel Corpus Aarhus, compuesto por textos de derecho contractual en danés, francés einglés; o también la colección bilingüe de textos chinos e ingleses que Fung 1995 utilizapara generar diccionarios bilingües.

� Corpora paralelos: se aplica a corpora que contienen la misma colección de textos enmás de una lengua, es decir, cuando a las versiones originales les acompañan sustraducciones. El caso óptimo de paralelismo se produce cuando las traducciones son unreflejo simétrico de la versión original. El caso más conocido es el Hansard Corpus, queson actas del parlamento canadiense publicadas en francés e inglés.

Existen otras consideraciones relacionadas con la traducción que se deben considerar. Lastraducciones pueden responder a tipologías muy distintas. Así, por ejemplo, los textos del ChinaNews Service, que Xu y Tau 1999 alinearon como base de un sistema de traducción asistida, olos resúmenes en inglés y japonés del National Center for Sience Information Systems(NACSIS), que Kando y Aizawa 1998 utilizaron para probar la recuperación translingüística deinformación, tienen muy poco que ver con las actas en francés e inglés del Hansard. Tampoco escomparable una traducción de una novela de Julio Verne o Ken Follett con las traducciones quelos autores hacen de su obra (como las traducciones al castellano que Pere Guinferrer hace de suspoemas en catalán, o la traducción al castellano que Bernardo Atxaga hizo de su colección derelatos Obabakoak). Existen más de veinte versiones españolas de Romeo y Julieta, cada una consu rasgos y particularidades.

Para valorar adecuadamente los factores que afectan a la categorización de un corpus bilingüe, espertinente considerar aspectos que han sido estudiados en traductología y que están relacionadoscon conceptos como status, función, o las distintas dimensiones de equivalencia. Sager 1993 haintroducido la noción de "status" para describir la dependencia del texto traducido respecto aloriginal. Propone tres tipos:

� Tipo A: cuando los textos traducidos son autónomos y sustituyen a los originales en lalengua de llegada, pudiendo incluso desempeñar una función distinta. Es el caso másnormal: traducciones de novelas de autores como Agatha Chirstie, Tom Clancy o StephenKing.

� Tipo B: cuando las traducciones complementan al texto original, coexistiendo en eltiempo y en el espacio con él. El mejor ejemplo son las ediciones bilingües de obrasliterarias.

� Tipo C: cuando las traducciones intentan reflejar de manera simétrica el texto original ymantienen la misma función. Además de los típicos documentos institucionales bilingüeso multilingües, como las actas del Hansard, se considerarían de este tipo las llamadas"traducciones canónicas", como la traducción inglesa de la Biblia del Rey Jacobo, elHamlet de Moratín, o la versión inglesa del Guzmán de Alfarache realizada por JamesMabbe en 1662 (Rabadán 1994).

Otro aspecto importante es la "función" del texto traducido. Según Rabadán 1994, la función ladetermina la intencionalidad comunicativa del traductor, quien puede actuar movido por algunode los siguientes objetivos:

6

1. Presentar un contenido temático, un argumento, una historia, un relato (es la función máscomún, como en las novelas policíacas de Dashiel Hammet o Raymond Chandler).

2. Presentar el estilo y el punto de vista del autor original (adaptaciones de Borges de lapoesía anglosajona, las traducciones de Ezra Pound de los clásicos griegos y latinos).

3. Introducir elementos culturales o tecnológicos nuevos en la sociedad destinataria de latraducción (traducciones técnicas, traducciones de obras de culturas "exóticas").

4. Introducir nuevas formas literarias y textuales en la lengua de llegada (traducciones desonetos italianos de Boscán y Garcilaso, la traducción de la Biblia de Lutero en 1534, quesupuso la normalización del Hochdentch como forma estándar del alemán).

5. Facilitar la comprensión del texto original por medio de la traducción (obras bilingües depoesía).

6. Recrear la obra original en un texto nativo nuevo (el Teatro Nuevo Español de 1800, laversión de Edward Fitzgerald del Rubáiyat de Omar Kayyan).

7. Difundir o reforzar una ideología literaria, filosófica, política o religiosa (la versión deMacbeth de Michel Garneau en 1978, que sirvió para crear un modelo de teatro nacionalquébécois y legitimar las aspiraciones de independencia de este estado francófono deCanadá).

Otro factor clave en la traducción es el valor de equivalencia. Nord 1994 propone tresdimensiones de equivalencia:

� Pragmática: Cuando el original y su traducción comparten la misma función, el mismoefecto comunicativo y van dirigidos al mismo grupo de receptores.

� Estilística: Cuando la traducción intenta reflejar la forma y belleza del original.

� Semántica: Cuando el texto traducido transmite el mismo mensaje o tiene el mismosignificado que el original.

Según el tipo de traducción, tendrá más sentido considerar una dimensión u otra de equivalencia.Así, en la traducción de Obabakoak de Bernardo Atxaga, tiene prioridad la equivalenciaestilística frente a la semántica. Por contra, en un documento jurídico bilingüe o multilingüe,como es la Constitución española, o cualquier otra normativa europea, la correspondenciasemántica deberá ser fiel, casi literal, respecto al original.

3 Tratamiento de corpora multilingüesA los niveles típicos de procesamiento monolingüe (análisis morfológico, lematización,desambiguación, análisis sintáctico) se añade en los corpora multilingües un tipo de tratamientoparticular mediante el que se establecen las equivalencias entre las unidades de textuales. Estafase recibe distintos nombres: emparejamiento, correspondencia, alineación (el más utilizado).La alineación es el proceso que mayor valor añadido aporta a un corpus multilingüe.

La forma más común de marcar los resultados del procesamiento es mediante etiquetas (tags),códigos (codes) o anotaciones (annotations) -estos tres términos suelen utilizarse de maneraindistinta. Las anotaciones suponen un mecanismo importante en el tratamiento de los corpora y,

7

salvo para algunos estudios cuantitativos, resultan prácticamente imprescindibles.

3. 1 Estudios cuantitativos

Los corpora monolingües se han utilizado durante años como fuente de datos cuantitativos conaplicación en la lexicografía (generación de lexicones, comprobación de frecuencias, estudio decolocaciones, concordancias, etc.), en filología (verificación de la autoría de una obra,descripción del estilo, etc.), además de en otras disciplinas cercanas: lingüística cuantitativa,lingüística diacrónica, dialectología, psicolingüística, psicología social, sociolingüística, etc.(McEnery y Wilson 1996).

Podemos ilustrar brevemente la utilidad de los datos cuantitativos con algunos resultadosobtenidos por Laviosa 1998. Se trata de una comparación de textos originales y traducciones,que pretendía identificar los hábitos de escritura de los traductores. El estudio se realizó sobre uncorpus comparable en inglés, compuesto de textos periodísticos y prosa narrativa con un tamañode unos 2 millones de palabras, de los cuales la mitad eran textos originales y la otra mitadtraducciones. Los datos cuantitativos mostraron que en las traducciones había una proporciónmenor de palabras léxicas frente a funcionales, con independencia de cuál hubiera sido la lenguade la que se había traducido. Asimismo se observaba que las 108 palabras más frecuentes, o listanuclear (list head), se repetían más a menudo, que las palabras menos frecuentes variaban menosy que el tamaño medio de las oraciones era menor en las traducciones. El estudio tambiénindicaba un uso distinto de los auxiliares. En conjunto, las traducciones mostraban un densidadléxica (Stubbs 1996) menor, es decir, una proporción de palabras funcionales muy alta enrelación al total. En definitiva, los resultados de Laviosa concluían que es posible distinguir entretraducciones y originales a partir únicamente de datos cuantitativos.

Con todo, los estudios cuantitativos son más productivos si se realizan sobre corpora anotados.Algunos datos cuantitativos - como la longitud media de las oraciones- requieren un procesoprevio de segmentación/anotación. La oración como unidad ortográfica contenida entre dossignos de punto es un concepto que se apoya en las convenciones de la escritura, que puedenvariar de una lengua a otra. En árabe por ejemplo los signos de punto se utilizan para distinguirpárrafos, mientras que las oraciones se representan coordinadas mediante conjunciones. Lasconvenciones de escritura presentan dificultades de reconocimiento también para lenguasoccidentales, como el inglés o el español, cuyas normas más simples son también ambiguas. Elsigno de punto, por ejemplo, no sólo señala el límite de la oración, sino que se utiliza también enacrónimos, cifras, iniciales, nomenclaturas, etc. Por ello las anotaciones resultan en la prácticaimprescindibles para el aprovechamiento adecuado de los corpora.

3. 2 Anotaciones

Los datos lingüísticos inherentes a un corpus adquieren mayor valor cuando se explicitanmediante la incorporación de anotaciones metalingüísticas y extralingüísticas. Durante décadashan convivido distintos sistemas de anotación, con propiedades y fisonomías de muy diversaíndole. En los noventa la situación ha ido paulatinamente regularizándose. Son conocidas, eneste sentido, las recomendaciones de Leech 1993, que se resumen en estas siete máximas:

1. Facilitar la eliminación de las anotaciones, de forma que sea posible recuperar la versiónoriginal de los textos.

2. Permitir la extracción de las anotaciones por sí mismas, de manera que puedan constituir

8

una base de conocimientos autónoma, independiente del texto al que se deben.

3. Distribuir las normas en las que se basan las anotaciones para que los usuarios finalespuedan interpretarlas sin dificultad.

4. Indicar el procedimiento por el que se introdujeron las anotaciones en los textos y laspersonas responsables del proceso.

5. Alertar sobre la posibilidad de que el corpus anotado contenga errores. La anotación deun corpus es un acto de interpretación de estructuras y de contenidos y no es infalible.

6. Permitir la más amplia funcionalidad y reutilización del corpus acudiendo a propuestascon mayor aceptación y neutras en lo posible respecto a formalismos o teoríasgramaticales concretas.

7. Admitir la existencia de otras normas y estándares de anotación.

La última máxima de Leech refleja la situación anterior a la publicación de las directrices delText Encoding Initiative (Sperberg-McQueen y Burnard 1994), que una parte mayoritaria de lacomunidad lingüística ha adoptado ya como propuesta de anotación estándar. TEI ha sidorespaldada por colectivos de gran peso, como son la Association for Computational Linguistics(ACL), la Association for Computers and the Humanities (ACH), la Association for Literary andLinguistic Computing (ALLC), o la Modern Languages Association (MLA). Vamos a repasar loslogros más importantes de esta y otras iniciativas de normalización:

� TEI fue creado en 1987 con el objetivo principal de proporcionar directrices quefacilitasen el flujo de corpora y de herramientas entre la comunidad científica. Para eletiquetado TEI adoptó SGML (Standard Generalized Markup Language), que desde1986 estaba registrado como norma ISO 8879 en el epígrafe para la documentaciónelectrónica. Los esfuerzos de TEI han sido posteriormente ampliados por otrasiniciativas.

� El grupo EAGLES (Expert Advisory Groups on Language Engineering Standards), queha sido auspiciado por la Comisión Europea, ha concretado los contenidos de algunaspropuestas TEI, añadiendo criterios para la codificación de un amplio abanico decuestiones lingüísticas (que abarcan desde rasgos fonéticos hasta cuestiones depragmática y discurso).

� En paralelo con EAGLES, otro proyecto comunitario, PAROLE, se ha centrado sobretodo en la creación de recursos léxicos en varias lenguas europeas. Uno de los mayoreslogros de PAROLE ha sido la propuesta de un conjunto homologado de etiquetasmorfosintácticas para varias lenguas europeas (inglés, danés, neerlandés, francés,italiano, catalán, español, entre otras).

� Otro proyecto europeo destacable es MULTEXT (Multilingual Text Tools and Corpora)que ha desarrollado programas modulares para la segmentación y etiquetado de corpus envarias lenguas europeas. Algunas de sus herramientas (como el segmentador MtSeg) hansido reutilizadas en otros proyectos (CRATER y CREA).

� CES (Corpus Encoding Satandards) ha ampliado la cobertura de las anotaciones y haabarcado un numero mayor de lenguas. Entre sus principales logros está haber recopilado

9

y anotado corpora multilingües con lenguas de Europa oriental.

� CRATER es otro proyecto comunitario que ha permitido la construcción de un corpustrilingüe (inglés, francés y español) especializado en el campo de las telecomunicacionesy que ha sido anotado con etiquetas morfosintácticas, lematizado y alineado.

� Otro logro comunitario ha sido el Multilingual Corpus I del European Corpus Initiative(ECI/MCI), que en 1994 puso a disposición de la comunidad científica una colección de98 millones de palabras con textos de 27 lenguas europeas.

4 Tipos de anotacionesLa aportación principal de estas iniciativas, más que la propia compilación de corpora, reside enla metodología que se aplica en el etiquetado. Debemos considerar tres tipos de anotaciones:

� Anotaciones con información extralingüísitca � Anotaciones tipográficas � Anotaciones lingüísticas

4. 1 Información extralingüística

En el diseño de un corpus es importante tener registrados adecuadamente todos los datosrelacionados con el origen de los textos: la lengua, la datación, el autor, la edición, el trancriptor,fecha de cada una de revisiones, el dominio al que pertenece; y cuanta otra información quepueda ayudar a catalogar el corpus: el género, el tipo, el status, la función, etc. Todos estos datossuelen agruparse en lo que se denomina "cabecera" (header) del corpus. TEI ha desarrolladovarios modelos de cabeceras.

4. 2 Problemas tipográficos

Durante algún tiempo muchos sistemas informáticos sólo han sido capaces de tratar sistemas deescritura cuyos signos pertenecieran a la tabla ASCII (American Standard Coding forInformation Interchange), es decir los mismos caracteres que el inglés. Si se hacíantranscripciones de otros idiomas, había que adoptar tablas de caracteres distintas, que no eranintercambiables entre sí (como JUNET para el japonés, o el ASCII extendido para las lenguaslatinas, con versiones incompatibles según pertenecieran a un sistema operativo u otro). Internetha propiciado una vía de solución:

� El protocolo HTTP (Yergeau y otros 1997) para cuestiones de transferencia de archivos:fue diseñado para permitir la transmisión de metainformación sensible al idioma. Lanorma RFC 2068 de la versión HTTP 1.1 contempla la codificación de caracteres y lanegociación "lingüística" cliente-servidor. De acuerdo con RFC 2068, la codificación delos caracteres se indica mediante un parámetro en el campo de cabecera. Un archivo enjaponés codificado en JUNET, por ejemplo, contendrá en la cabecera los atributosContent-type: text/html; charset=iso-2022-JP. El cliente puede indicar preferencia poruna determinada codificación (Accept-Charset) o idioma (Accept-Language).

� La norma RFC 2070 para cuestiones relacionadas con los conjuntos de caracteres. Lanorma RFC 1886, adoptada en las primeras versiones de HTML, restringe el conjunto decaracteres al conjunto del ISO-8859-1 o ISO-Latin-1, que sólo sirve para lenguas con el

10

alfabeto latino. ISO-Latin-1 es de 8-bits, de forma que permite un máximo de 256caracteres. La norma posterior RFC 2070 ha añadido propiedades a HTML para soportardocumentos en distintos idiomas. Para ello ha reemplazado el ISO-Latin por el ISO10646 de 1993, conocido como UCS (Universal Universal Character Set) y que coincideen todo con otra norma, UNICODE 1.1. UNICODE es un sistema de 16-bits concapacidad para representar cualquier colección de símbolos, con un techo amplio de65.000 caracteres suficiente para todos los sistemas de escritura en el mundo. XML haadoptado UNICODE.

Los problemas relacionados con los códigos de caracteres no son exclusivos de los corporamultilingües, también puede suceder con los monolingües. El grupo encargado del tratamientodel corpus histórico CORDE informa de problemas de segmentación, derivados de "laspeculiaridades ortotipográficas, que desafían el esquema de anotación, que trata de serrespetuoso con las intervenciones de autores, copistas y editores en el texto y que, enconsecuencia, dificulta las unidades de análisis lingüístico" y las diferentes fases del etiquetado(Sánchez León 1999).

4. 3 Información lingüística

El tipo de información más valiosa de un corpus es la información de tipo lingüístico que lasanotaciones harán explícitas. Podemos considerar varios niveles:

� Anotaciones estructurales donde se identifican los elementos lógicos que componen untexto: epígrafes, párrafos, etc.

� Anotaciones morfosintácticas que asignan a cada unidad léxica un código que identificasu categoría morfosintáctica (su part of speech, POS), así como otras propiedadesmorfológicas generalmente asociadas a la flexión (género, número, persona, caso,tiempo, etc.)

11

� Lematización, proceso mediante el cual las formas flexionadas del corpus se emparejancon sus lexemas respectivos, es decir con la forma de citación tal como aparecen en losdiccionarios.

� Análisis sintáctico de las categorías sintagmáticas intraoracionales: grupos verbales ynominales, cláusulas subordinadas, etc.

� Anotaciones orientadas a la tarea: como pueden ser las unidades de traducción (Martínez1999) o el etiquetado de referencia (numeración, citas, etc.).

� Códigos de correspondencia: etiquetas que hacen explícita la correspondencia entreunidades de traducción y que se asignan en el proceso de alineación.

En los siguientes apartados se van a agrupar los procesos que incorporan las anotacioneslingüísticas en dos grupos. A la etapa propia del etiquetado monolingüe la vamos a llamarsegmentación; y al proceso distintivo de los corpora multilingües, alineación.

5 SegmentaciónLa segmentación tiene por objetivo identificar y anotar los elementos distintivos en todos losniveles de análisis. El efecto de la segmentación se suele representar mediante etiquetas oanotaciones que se incorporan al corpus. Existen varias propuestas de segmentación morfológica,de lematización y del análisis sintáctico para el español y para el euskara. Por lo general, estostres procesos se simultanean con la tarea de desambiguación, es decir, de elección de la categoríamás probable entre distintas opciones posibles en cada nivel. En este apartado vamos a repasarlos niveles de segmentación, reseñando los trabajos que más nos pueden interesar.

5.1 Etiquetado estructural

En el nivel de análisis más genérico se identifican los elementos lógicos que reflejan la estructuradel texto: epígrafes, apartados, párrafos, enumeraciones, oraciones, signos de puntuación, etc.Dentro de la oración se pueden reconocer las palabras del léxico genérico distinguiéndolas deotros elementos como nombres propios, números, fechas, siglas, acrónimos, etc. Martínez 1999ha desarrollado un conjunto de segmentadores modulares que añaden etiquetas estructurales detipo SGML/TEI para el corpus bilingüe LEGEBIDUN/BOB. Estos segmentadores puedenadaptarse con facilidad a otros corpora.

5. 2 Etiquetado morfosintáctico

Para el tratamiento morfosintáctico del español se han elaborado varios recursos. La RAE haaplicado el generador morfológico del proyecto MULTEXT, mmorph (Bel y otros 1996). Se tratade un programa que combina morfología de dos niveles (para problemas de morfografía) ygramáticas de unificación y que reutiliza parte de los desarrollos del proyecto EUROTRA(Sánchez León 1999), los resultados se recogen en SGML/TEI (Pino y Santalla 1996). Por otrolado, en la Universidad Politécnica de Catalunya se ha desarrollado MACO+, un etiquetadorbasado en restricciones contextuales que resuelve mediante árboles de decisión estadísticos(Márquez y Padró 1997). Otros etiquetadores morfosintácticos para el español son SPOST(Farwell y otros 1995), SMORPH (Aït-Mokhtar y Rodrigo Mateos 1995), o el de Gala 1999. Enla Universitat Pompeu Fabra se ha desarrollado CATMORF para el catalán (Badía 1997) y en laUniversidad del País Vasco se ha desarrollado MORFEUS para el euskara, un sistema que

12

también está basado en la morfología de dos niveles (Alegria 1995 y Urkia 1997). La asignaciónde etiquetas morfosintácticas (etiquetas POS) suele simultanearse con la lematización.

5. 3 Lematización

Lematizar es reducir las formas flexivas de un texto a sus lexemas respectivos, es decir, a laforma de citación que se utiliza en los diccionarios (infinitivo para las formas verbales,masculino singular para las forma nominales). Así, tras la lematización, las formas soy, era, fui oseré serán reducidas al lexema ser. El conjunto de todas las variantes flexivas de un lexema es loque se conoce como "lema". La lematización es importante porque permite conocer con mayorexactitud la composición léxica de los textos, y tiene especial relevancia para aplicaciones comola categorización textual o la recuperación de información. Para el español se han publicadoresultados de varios lematizadores, siendo los más conocidos los de Sánchez-León 1995,Márquez y Padró 1997, o Gala 1999. Todos ellos realizan la lematización dentro del proceso deetiquetado morfosintáctico. En la Universidad del País Vasco se ha desarrollado el lematizadorEUSLEM para euskara (Aduriz y otros 1996).

forma flexiva lexema etiqueta POS entidad SGMLque que PR3CN00 que&pr3cn;

agota agotar VMIP3S0 agota&vmip3s;la la TFFS0 la&tffs;vía vía NCFS00 vía&ncfs;

administrativa administrativo AQ0FS00 administrativo&aq0fs;podrá poder VMIF3S0 podrá&vmif3s;

interponerse interponer VMN000 interponerse&vmn;recurso recurso NCMS00 recurso&ncms;

contencioso contencioso AQ00000 contencioso&aq0;ante ante SPS00 ante&sps;

Tabla 2. Resultados del lematizador de Márquez y Padró, con muestras de etiquetasmorfosintácticas (según los códigos propuestos por PAROLE)

Para resolver la ambigüedad entre varias categorías candidatas existen tanto métodos de baseestadística, como de base simbólica. Por los resultados obtenidos en algunas comparativas(Chanod y Tapanainen 1995) se deduce que los sistemas estadísticos tienen un comportamientoaceptable cuando el corpus es homogéneo, pero son problemáticos si no lo es. Por lo general,resulta más sencillo entrenar un desambiguador estadístico que elaborar uno simbólico. Lacompilación de reglas gramaticales para desambiguar es un proceso manual, particularmentelargo y costoso, pero que da mejores resultados a largo plazo. El grupo de la RAE (Sánchez León1999) ha desarrollado una herramienta de desambiguación basada en la gramática derestricciones (Constraint Grammar, Karlsson y otros 1995). El grupo IXA de la Universidad delPaís Vasco también ha utilizado este método, aunque lo ha combinado con otros programas debase estadística, para aprovechar las ventajas de ambas estrategias (Aduriz y otros 1999,Gojenola 2000). Márquez y Padró 1997, por su parte, resuelven la ambigüedad mediante árbolesde decisión estadísticos. La desambiguación de las categorías léxicas favorececonsiderablemente la eficacia del análisis sintáctico.

13

5. 4 Análisis superficial

Después de segmentar el texto en oraciones y anotar las palabras mediante etiquetas POS, elsiguiente paso es reconocer las categorías sintagmáticas intraoracionales: sintagmas nominales,verbales, adjetivos y preposicionales, cláusulas subordinadas, etc. Para este proceso hacen faltaanalizadores sintácticos robustos, capaces de abordar cualquier tipo de construcción. Losmodelos de gramáticas formales que se desarrollaron en la década de los ochenta están en sumayoría basados en reglas independientes de contexto. Tienen la ventaja de ofrecer mayor poderexpresivo, pero a costa de una mayor complejidad computacional. Desde hace algunos años, parael análisis sintáctico de textos reales se ha optado por el diseño más simple de modelos basadosen reglas de estados finitos. El procesamiento suele acometerse por segmentos menores a laoración, a los que se asignan categorías parciales. Es lo que se conoce como análisis superficial(shallow parsing).

Gala 1999 clasifica los analizadores superficiales en dos tipos:

� Los que aplican un enfoque construccionista: que funciona mediante la adiciónprogresiva de restricciones durante el proceso de análisis (Joshi 1996)

� Los que aplican un enfoque reduccionista: que funciona mediante restricciones que sirvenpara eliminar análisis posibles (Karlsson y otros 1995, Chanod y Tapanainen 1996).

Para el español se han elaborado dos analizadores superficiales: TACAT, de Atserias y otros1998, e IFSP (Incremental Finite-State Parsing) de Gala 1999. TACAT está basado en chartscon una metodología incremental que utiliza gramáticas independientes de contexto en lugar dereglas de estados finitos.

Por otro lado, IFSP aplica un enfoque construccionista por medio de análisis parciales en tresfases (tabla 3):

1. Segmentación primaria: para reconocer secuencias de palabras con relación sintagmática(fase 1).

2. Una vez reconocidas las principales agrupaciones sintagmáticas, se asignan funcionessintácticas (fase 2).

3. El proceso termina resolviendo las relaciones de dependencia (fase 3).

14

Fase 1: etiquetadomorfosintáctico

Fase 2: etiquetado funcional Fase 3: relaciones dedependencia

[SC [NP La^el+DETSGposicion^posicion+NOUNSGNP]/N [PP del^de=el+PREPDETGobierno^gobierno+NOUNSGPP] [AP frances^frances+ADJSGAP] : v ha^haber+HABsido^ser+PAPUXinterpretada^interpretarPAPSGSC] como^como+COMO [NPuna^un+DETQUANTSGmanera^manera+NOUNSGNP]/N [IV de^de+PREP_DEeludir^eludir+VERBINF IV] [NPel^el+DETSGproblema^problema+NOUNSGNP]/N .^.+SENT

[SC [NP El^el+DETSGproblema^problema+NOUNSG NP]/SUBJ : vtiene^tener+VERBFIN SC][NP una^un+DETQUANTSGdimension^dimension+NOUNSG NP]/OBJ [APmayor^mayor+ADJSGAP].^.+SENT

[SC [NP Las relacionesNP]/SUBJ [AP socialesAP] : v son SC] [AP muyinformales AP], [PP en elsentido PP] [SC [PP deque PP] [NP las personasNP]/SUBJ :v se visitanSC] [PP sin previo avisoPP] ;SUBJ(relación,ser)SUBREFLEX(persona,visitar)ATTR(relación informal)VMODOBJ(ser,en,sentido)PADJ(relación,social)ADJ(previo aviso)

La posición del gobierno francésha sido interpretada como unamanera de eludir el problema.

El problema tiene unadimensión mayor.

Las relaciones socialesson muy informales, en elsentido de que laspersonas se visitan sinprevio aviso;

Tabla 3. Fases del etiquetador IFSP de Gala 1999.

Para euskara se ha utilizado el enfoque reduccionista de la gramática de restricciones deKarlsson (Aduriz y otros 1999, Gojenola 2000, Arriola 2000). No conocemos demomento ninguna evaluación que permita comparar el rendimiento de estas estrategias.

6 AlineaciónEl proceso que más valor añade a un corpus multilingüe es la alineación. Alinear es hacerexplícitas las relaciones de correspondencia entre segmentos de una y otra lengua. La alineaciónno depende obligatoriamente del resto de los procesos de etiquetado, aunque una segmentaciónbásica previa será siempre necesaria. Según Martínez 1999, existen tres enfoques principales:

1. Enfoque estadístico: método de alineación que aprovecha la similitud de algunos rasgoscuantitativos identificados en el corpus, como la longitud de oraciones, el número depalabras o de caracteres, etc. (Brown y otros 1991, Gale y Church 1991).

2. Enfoque lingüístico: la alineación se basa en el emparejamiento previo de unidadessintagmáticas o de estructuras dependenciales (Sadler 1991, Kaji y otros 1992,Matsumoto y otros 1993).

15

3. Enfoque mixto: método que aprovecha la identificación de categorías gramaticales comoapoyo para la alineación estadística (Chen 1993).

Las técnicas probabilísticas que se basan en anotaciones sintácticas requieren textos etiquetadosde antemano (Black y otros 1993). El Corpus Brown o el Penn Treebank (Marcos y Santorini1991) pueden servir de modelo para el inglés. Para otras lenguas también se conocen corpora conetiquetas sintácticas: en turco (Skut y otros 1997), en checo (Hajic y Hladká 1998), en alemán(Oflazer y otros 1999). En euskara se han etiquetado sintácticamente 10.000 palabras (Ezeiza yotros 1998). Estos procesos son muy costosos, algunas métricas (Voutilainen 1997) hanconcluido que es necesario el trabajo de una persona entrenada durante un año para etiquetarsintácticamente un corpus de 200.000 palabras.

Martínez 1998 y 1999 obtiene muy buenos resultados sobre un corpus bilingüe en español yeuskara (tabla 4) que no dispone de etiquetas sintácticas, aplicando técnicas que aprovechan lasetiquetas estructurales introducidas en el proceso de segmentación monolingüe.

Foru Agindua Orden Foral

Foru Agindua, 767/1994 zk., urriaren 24ko.Aipatutako Foru Aginduaren bidez hurrengohau xedatu da:

Lurzoru batzuk dentsitate txikiko lurzoruurbanizagai gisa birsailkatzeko ZallakoUdalerriko Planeamenduari buruzkoSorospidezko Arauen aldarazpena ukatzea.

Erabaki honen aurka, haren jakinarazpenetikzenbatu beharreko hilabete biko epearenbarruan, administraziozko liskarrauzi-errekurtsoa jarri ahal izango da, EuskalHerriko Justizia Auzitegi NagusikoAdministraziozko Liskarrauzietarako Salan,komeniesten diren beste defentsabideak erabildaitezkeelako kalterik gabe. Adierazi denepearen barruan, BHI-015/94-P05-Aespedientea Bilbaoko Gran Vía, 19-21eko5gn. solairuan egongo da ageriko, azter dadin.Bilbon, 1994.eko urriaren 24an.-Hirigintzakoforu diputatua. Pedro Hernández González.

Orden Foral número 767/1994 de 24 octubre.Mediante la Orden Foral de referencia se hadispuesto lo siguiente:

Denegar la Modificación de las NormasSubsidiarias de Planeamiento del municipio deZalla para la reclasificación de unos terrenoscomo Suelo Apto para Urbanizar de BajaDensidad.

Contra dicha Orden Foral podrá interponerse,en el plazo de dos meses desde su notificación,recurso contencioso-administrativo ante la Salade lo Contencioso-Administrativo del TribunalSuperior de Justicia del País Vasco, sinperjuicio de la utilización de otros medios dedefensa que estime conveniente. Durante elreferido plazo el expediente BHI-015/94-P05-A, quedará de manifiesto para su examen enlas dependencias situadas en Bilbao calleAlameda Rekalde, 30, 5.a y 6.a plantas.Bilbao, 24 de octubre de 1994.-El DiputadoForal de Urbanismo.- Pedro HernándezGonzález.

Tabla 4. Muestra del corpus paralelo LEGEBIDUN/BOB

Como resultado de la segmentación monolingüe Martínez 1998, 1999 identifica y categorizaunidades textuales - nombres propios, fórmulas y términos (tabla 5)- sobre los queposteriormente aplica técnicas de alineación.

16

<rs type=organization>Euskal HerrikoJustizia Auzitegi NagusikoAdministraziozko LiskarrauzietarakoSalan</rs>

<rs type=organization>Sala de lo Contencioso-Administrativo del Tribunal Superior de Justiciadel País Vasco</rs>

<rs type=law>Zallako UdalerrikoPlaneamenduari buruzko SorospidezkoArauen aldarazpena</rs>

<rs type=law>Modificación de las NormasSubsidiarias de Planeamiento del municipio deZalla </rs>

<term>Lurzoru batzuk dentsitate txikikolurzoru urbanizagai gisabirsailkatzeko</term>

<term>para la reclasificación de unos terrenoscomo Suelo Apto para Urbanizar de BajaDensidad</term>

<seg type=9>Erabaki honen aurka, harenjakinarazpenetik zenbatu beharreko hilabetebiko epearen barruan, administraziozkoliskarrauzi-errekurtsoa jarri ahal izango da,Euskal Herriko Justizia Auzitegi NagusikoAdministraziozko Liskarrauzietarako Salan,komeniesten diren beste defentsabideakerabil daitezkeelako kalterik gabe. Adieraziden epearen barruan, BHI-015/94-P05-Aespedientea Bilbaoko Gran Vía, 19-21eko5gn. solairuan egongo da ageriko, azterdadin. Bilbon, 1994.eko urriaren 24an.-Hirigintzako foru diputatua. PedroHernández González. </seg>

<seg type=9>Contra dicha Orden Foral podráinterponerse, en el plazo de dos meses desde sunotificación, recurso contencioso-administrativoante la Sala de lo Contencioso-Administrativodel Tribunal Superior de Justicia del País Vasco,sin perjuicio de la utilización de otros medios dedefensa que estime conveniente. Durante elreferido plazo el expediente BHI-015/94-P05-A,quedará de manifiesto para su examen en lasdependencias situadas en Bilbao calle AlamedaRekalde, 30, 5.a y 6.a plantas. Bilbao, 24 deoctubre de 1994.-El Diputado Foral deUrbanismo.- Pedro Hernández González. </seg>

Tabla 5. Segmentación en unidades de traducción.

Como consecuencia de los procesos de segmentación y alineación, el corpus se enriquece conetiquetas que hacen explícita las relaciones de correspondencia entre las dos versiones. Uncorpus etiquetado y alineado en todos los niveles de análisis es un recurso lingüístico deextraordinario valor (Abaitua y otros 1998).

17

<div>... <seg type=9 id=9EU2 corresp=9ES2><p id=pEU11> <s id=sEU11 corresp=ES11> <rstype=law id=LEU10 corresp=LES12>Foruagindu </rs> horrek amaiera eman dioadministrazio bideari; eta beraren aurka <rstype=organization id=OEU10>Administrazioarekiko </rs> auzibide-errekurtsoa jarri ahal izango zaio <rstype=organization id=OEU11 corresp=OES9>Euskal Herriko Justizi Auzitegi NagusikoAdministrazioarekiko Auzibideetarako Salari</rs>, bi hilabeteko epean; jakinarazpen hauegiten den egunaren biharamunetikzenbatuko da epe hori; hala eta guztiz ere,egokiesten diren beste defentsabideak ereerabil litezke. </s> </p> </seg> <seg type=10id=10EU1 corresp=10ES1> <p id=pEU12> <sid=sEU12 corresp=ES12> Epe hori amaituarte BHI-<num num=10094> 100/94 </num>-P05-A espedientea agerian egongo da, nahiduenak azter dezan, <rs type=place id=PEU2corresp=PES3> Bilboko Errekaldezumarkaleko </rs> <num num=30> 30.eko</num> bulegoetan, <num num=5> 5 </num>eta <num num=6> 6.</num> solairuetan.</s></p> </seg> </div> <closer id=pEU13><docAuthor> <s id=sEU13 corresp=ES13> <rstype=title id=TLEU4 corresp=TLES4>Hirigintzako foru diputatua </rs>. </s> <sid=sEU14 corresp=ES14> _ <rs type=nameid=NEU4 corresp=NES4> Pedro HernándezGonzález </rs>.</s> </docAuthor>

<div> ... <seg type=9 id=9ES2corresp=9EU2> <p id=pES11> <s id=sES11corresp=EU11> Contra dicha <rs type=lawid=LES12 corresp=LEU10> Orden Foral</rs>, que agota la vía administrativapodrá interponerse recurso contencioso-administrativo ante la <rstype=organization id=OES9corresp=OEU11> Sala de lo Contencioso-Administrativo del Tribunal Superior deJusticia del País Vasco </rs>, en el plazode dos meses, contado desde el díasiguiente a esta notificación sin perjuiciode la utilización de otros medios dedefensa que estime oportunos.</s> </p></seg> <seg type=10 id=10ES1corresp=10EU1> <p id=pES12> <sid=sES12 corresp=EU12> Durante elreferido plazo el expediente BHI-<numnum=10094> 100/94 </num>- P05-Aquedará de manifiesto para su exámen enlas dependencias de <rs type=placeid=PES3 corresp=PEU2> Bilbao calleAlameda Rekalde </rs>, <num num=30>30 </num>, <num num=5> 5.a </num> y<num num=6> 6.a </num> plantas. </s></p> </seg> </div> <closer=pES13><docAuthor> <s id=sES13 corresp=EU13>El <rs type=title id=TLES4corresp=TLEU4> Diputado Foral deUrbanismo </rs>. </s> <s id=sES14corresp=EU14> - <rs type=name id=NES4corresp=NEU4> Pedro HernándezGonzález </rs> </s> </docAuthor></closer>

Tabla 6. Muestra de sección del corpus alineada (Martínez 1999)

Durante la década de los noventa, la alineación de corpora ha sido una de las líneas de actuaciónmás esperanzadoras de la ingeniería lingüística. Gale y Church 1991, Dagan y otros 1993,Macklovitch 1994, McEnery y Oakes 1996, Schmied y Schäffler 1996, o Melamed 1997, sonotras referencias destacables.

7 AplicacionesA principios de la década de los noventa, los campos de la lexicografía y terminografía, así comola traducción automática protagonizaron la actividad en torno a los corpora multilingües. En laactualidad el interés se ha ampliado hacia otras áreas como la enseñanza de segundas lenguas o

18

la didáctica de la traducción, herederas de experiencias muy anteriores (McEnery y Wilson1996). Pero las dos aplicaciones que más atención reciben en estos momentos son larecuperación translingüística de información y la internacionalización de productos.

7.1 Enseñanza de segundas lenguas

Una aplicación tradicional de los corpora multilingües es la enseñanza de segundas lenguas.Como actividad más reciente destacamos el International Corpus of Learner English (ICLE) dela Universidad de Lovaina-la Neuve. Este corpus contiene una colección de composicionescortas hechas por estudiantes de niveles altos de inglés de procedencia dispar: chinos, checos,holandeses, finlandeses, franceses, alemanes, japoneses, polacos, rusos, españoles y suecos. Elobjetivo de esta recopilación es comprobar la hipótesis del "modelo de lengua común" al que sellega en los niveles avanzados. Se ha comprobado, por ejemplo, que los alumnos abusan deciertas palabras (verbos auxiliares, pronombres personales, algunas conjunciones, como and ybut, los verbos get y think, algunas palabras de significado vago, como people, things, delcuantificador very) y que infrautilizan otras (como the, this, these, o by). También se haestudiado la influencia de las respectivas lenguas maternas sobre el modelo de adquisición de lasegunda lengua.

Cuando una palabra se infrautiliza a menudo indica que se produce un alerta inconsciente ante unproblema de aprendizaje. Así en el corpus alemán, el verbo become se utiliza mucho menos queen los otros corpora, porque tiene un falso amigo en bekommen, palabra muy frecuente enalemán que tiene un significado muy distinto del inglés. Los estudiantes tienden a evitar palabrasque perciben como potencialmente conflictivas y tienden a utilizar el léxico que les es másfamiliar. Esta actitud ha sido muy estudiada y se denomina "principio del oso de peluche", teddybear principle.

7. 2 Didáctica de la traducción

Baker 1996 y 1997 ha defendido la utilidad de los corpora comparables para estudiar latraducción, sobre todo en su aplicación a la enseñanza. Han comprobado que factoresextralingüísticos, como el sexo del traductor, su edad, la lengua de origen, etc. influyen en lastraducciones. Atendiendo a la propuesta de Toury 1995, el grupo de Baker (Laviosa 1997 y1998, Sardinha 1997) pretende descubrir las "leyes probabilísticas y condicionales delcomportamiento traduccional" (laws of translational behaviour), a partir de los datos de unextenso corpus comparable de textos originales y traducciones.

Con fines análogos se han realizado estudios contrastivos entre el inglés y el sueco (Johansson.1996), así como entre el inglés y el noruego (Johansson y Ebeling 1996), o el inglés y el polaco(Piotrowska 1997). Otro corpus diseñado para servir de modelo en la didáctica de la traducciónes el Corpus LSP, del Institut Universitari de Lingüística Aplicada de la Universitat PompeuFabra (Vivaldi 1996, Bach y otros 1997).

7. 3 Lexicografía y terminografía

Los lexicógrafos siempre han recurrido a grandes colecciones de textos para desarrollar sutrabajo de creación y actualización de diccionarios. Este trabajo ha sido tradicionalmente lento ylaborioso. Por ello se ha recibido con júbilo la disponibilidad de corpora en formato electrónico,así como las técnicas y herramientas que hacen posible su procesamiento (Pérez Hernández yotros 1999). La Real Academia de la Lengua ha comenzado a basar sus trabajos lexicográficos

19

en los corpora CORDE y CREA (Sánchez-León 1999). Pero, además de la RAE, varias editorasde diccionarios de español también disponen de corpora: Vox Bibliograf posee uno de 10millones de palabras, la editorial SGEL uno de 8 (corpus CUMBRE, Sánchez y Cantos 1997) ySM otro de 60.000 palabras (Pérez Hernández y otros 1999). En Cataluña , el Institut d'EstudisCatalans, así como TERMCAT e IULA; en el País Vasco Euskaltzaindia y UZEI; en Galicia laAcademia de la Lengua y el Centro de Investigacións Ramón Piñeiro (Magán 1996), realizanlabores de lexicografía y terminografía sobre la base de datos obtenidos de corpora.

Si los corpora monolingües contribuyen sustancialmente en el desarrollo de diccionariosmonolingües, no menos útiles son los corpora multilingües (Álvarez 1999). Numerosos autoreshan contribuido en los últimos años a la creación y enriquecimiento de diccionarios y tesaurosbilingües aprovechando los datos disponibles en corpora: Gale y Church 1991; Daille y otros1994; Catizone y otros 1993; Kumano y Hirakawa 1994; Klavans y Tzoukermann 1995,Langlois 1996. Aplicando similares técnicas a textos de especialidad ha sido posible extraerglosarios terminológicos, o identificar términos compuestos y construcciones colocacionales:Eijk 1993; Kupiec 1993; Dagan y Church 1994; Samajda y otros 1996; Resnik y Melamed 1997.

Por otro lado, los trabajos de Briscoe y Carroll 1997, o Lapta 1999, han abierto nuevas vías deinvestigación en la lexicografía computacional al haber ensayado la extracción automática depatrones de subcategorización verbal a partir de corpora. Arriola 2000 ha realizado unexperimento similar para euskara.

7. 4 Traducción automática

La disponibilidad del Hansard Corpus en formato electrónico despertó el interés de losinvestigadores del Watson Centre de la IBM (Brown y otros 1990) que lo aprovecharon paraensayar métodos alternativos de traducción automática. Los métodos basados en reglas(conocidos por el acrónimo inglés RBMT, Rule-based Machine Translation) habían llegado afinales de los ochenta a un punto de estancamiento y la comunidad investigadora comenzaba abuscar nuevos enfoques. Es el retorno de los métodos empíricos que ya habían sido probados enlos albores de la disciplina (Weaver 1949) . El cambio de enfoque en los noventa se vefavorecido por el drástico abaratamiento de los microprocesadores y las unidades dealmacenamiento. Con ello comienzan a proliferar las colecciones de textos en formatoelectrónico y su disponibilidad favorecida por Internet es una invitación a probar los métodosprobabilísticos y conexionistas, que tan buenos resultados habían dado ya en el tratamiento decorpora orales. El número de sistemas diseñados se multiplica (Catizone y otros 1993, Kay yRöscheisen 1993; Vogel y otros 1996, Wu 1996 y Tillmann y otros 1997) de forma que puededecirse que el paradigma de la traducción por reglas ha perdido numerosos adeptos en beneficiode la traducción por analogías, ABMT, Analogy-based Machine Translation (Jones 1992).

Nagao 1984 ya había anticipado este cambio con su propuesta de traducción basada en ejemplos(EBMT, Example-based Machine Translation), técnica que ha tenido gran eco en la comunidadcientífica. Sadler 1989 se sirvió de un corpus alineado para crear una base de ejemplos bilingües,utilizada luego como recurso de traducción automática. Tsuji y otros 1991 y Sumita e Iida 1991aplican enfoques híbridos. La traducción basada en ejemplos ha tenido su mayor aplicación enuna tecnología conocida como "memoria de traducción" (MBMT, Memory-based MachineTranslation). Consiste en el almacenamiento de traducciones realizadas manualmente yvalidadas por el traductor, de forma que puedan ser reutilizadas posteriormente para textossimilares que se reconocen mediante umbrales de similitud basados generalmente en lógicadifusa. Esta tecnología ha sido llevada al mercado con un considerable éxito: Déjà-Vu (ATRIL),

20

Translator's Workbench (TRADOS), Transit (STAR), SDLX, son algunas de las herramientas demayor difusión.

7. 5 Edición plurilingüe

Un enfoque alternativo a la traducción automática es la generación de textos multilingües(Kittredge 1989, Hartley y Paris 1997). Movidos por el éxito de los sistemas de escritura asistidapor ordenador (Gómez Guinovart 1999, Gojenola y Oronoz 2000), varios proyectos han probadoa simultanear los procesos de composición y traducción. Esta técnica ha resultado muy adecuadapara textos cuyo esquema se ciñe a un guión preestablecido y recurrente. A partir de una muestrarepresentativa de partes meteorológicos en varios idiomas, Chevreau y otros 1999 handesarrollado MultiMétéo, un sistema que permite generar automáticamente partes multilingües.Otro sistema de este tipo es TREE, que genera ofertas de empleo multilingües (Somers 1992). Ennuestro entorno más cercano se debe reseñar GIST, proyecto europeo para la generaciónplurilingüe de textos instructivos (Lavid 1995 y 1996), así como LEGEBIDUN ( Abaitua y otros1997, Casillas y otros 1999, 2000). A partir de un corpus paralelo alineado de documentosadministrativos en euskara y castellano, Casillas 2000 ha diseñado un generador de nuevosdocumentos bilingües.

7. 6 Internacionalización de productos

Pero el sector de mayor crecimiento es la internacionalización de productos. Desde hace pocomás de un lustro, la edición en CD-ROM, la producción de páginas web y, sobre todo, laindustria de software han hecho que el enfoque de la traducción cambie radicalmente. Lanecesidad de actualizar cíclicamente los productos y su distribución en los mercadosinternacionales obliga a las empresas a realizar importantes esfuerzos para satisfacer lasexigencias lingüísticas y culturales de esos mercados. Microsoft, por ejemplo, adapta a más de25 idiomas sus principales productos, y tiene muy buenos motivos para hacerlo así. Según datospublicados por la propia empresa (Brooks 2000), más de la mitad de sus ingresos proceden delcomercio exterior (unos 5.000 millones de dólares).

La adaptación de un programa de software no es un mero problema de traducción. Hay muchosfactores que deben estar previstos en la propia fase de diseño. Además de traducir los títulos, losmensajes, las ayudas on-line, o los menús que interactúan con el usuario, para adaptar unprograma de sofware hay que resolver otros aspectos que son difíciles de notar a simple vista. Elcambio de alfabeto es una fuente obvia de dificultades, pero los problemas más delicados son losque tienen que ver con el código del programa. La traducción de las llamadas a función de losmenús, por ejemplo, puede afectar al tamaño de los registros, o al código de las instrucciones quelos ejecutan. Los enlaces de Internet y el tratamiento de cifras y fechas también deberán seradaptados. Si el programa además dispone de herramientas de tratamiento propiamentelingüístico - relacionadas con los formatos, la corrección ortográfica, gramatical o de estilo, losdiccionarios y glosarios- el proceso se complicará considerablemente.

La adaptación lingüística y cultural de software se conoce como "localización" (calco directo deltérmino anglosajón localisation) y forma parte de lo que en el contexto empresarial se relacionacon la "internacionalización" de un producto. Es una actividad que está en expansión y que hagenerado un importante nicho de mercado. Si se menciona aquí es porque la tecnología que seutiliza en la localización está relacionada con la lingüística de corpus. En el sector aeronáutico,por ejemplo, la documentación de cualquier producto es muy voluminosa y se distribuye enformato electrónico, generalmente en CD-ROM. Estos manuales y libros de referencia, cuando

21

se traducen, se convierten en genuinos corpora bilingües. Para su traducción y actualización seutilizan los gestores de memorias de traducción.

7. 7 Búsquedas translingüísticas

Las redes internacionales y la difusión de bases documentales hace cada vez más relevante lacuestión del acceso y recuperación multilingüe de la información. Los proyectos dedigitalización de bibliotecas que se iniciaron primero en países de habla inglesa, se hanextendido ya a todas las regiones del mundo. Tanto Asia como Europa están experimentando unrápido desarrollo de infraestructuras para la distribución de sus fondos documentales, lo quesignifica que materiales en multitud de idiomas han comenzado a ser accesibles por red.

Unido al crecimiento de bibliotecas digitales monolingües en distintos idiomas, existen tambiénbibliotecas multilingües en países con más de una lengua nacional, o en países donde el inglés esla lengua usada para la documentación técnica o científica, en instituciones paneuropeas o enempresas transnacionales. Todo esto ha despertado la conciencia de que deben diseñarseherramientas con capacidad translingüística para la recuperación y extracción de información. Esuna de las áreas de investigación de la ingeniería lingüística que ha experimentado mayorcrecimiento y en apenas unos años han proliferado los foros, reuniones internacionales ypublicaciones sobre este tema. Algunas referencias obligadas son: Oard y Dorr 1996, Sheridan yBallerini 1996, Picchi y Peters 1996, Gilarranza, Gonzalo y Verdejo 1997, Kando y Aizawa1998, Grefenstette 1998, o Pazienza 1999; sobre bibliotecas digitales, Peters y Picchi 1997;sobre técnicas de categorización de documentos, Yang 1998.

8 Internet multilingüeInternet se ha convertido en el principal campo de aplicación de las técnicas de tratamiento decorpora multilingües. Pese a un acusado desequilibrio inicial favorable al inglés, la tendenciaactual es hacia la corrección de la balanza lingüística. En la medida en que la situación se vayanormalizando, aumentará la información en idiomas distintos del inglés, como cabe prever de lacomparación del porcentaje de páginas web con el de publicaciones o traducciones en formatotradicional (Lockwood 1998). En la actualidad la proporción de páginas web en inglés casitriplica al de publicaciones en papel. Para otras lenguas con presencia internacional, sólo eljaponés mantiene una relación equitativa entre lo que se publica en web y en papel. Ladesproporción es acusada para el resto, y particularmente grave en el caso del chino.

Unión Latina (UL) publicó en 1998 una encuesta basada en consultas para 57 palabras (del tipo"ambigüedad" o "rodilla") entre los principales buscadores de Internet. En 1999 se publicó unasegunda encuesta realizada por Pedro Maestre para el Instituto Cervantes (IC), sobre los 180millones de páginas indizadas en Altavista Magallanes. Los resultados de ambas encuestas separecen y dan unas tasas de presencia similares. El español ocupa en ambos casos el quintolugar, con 2,6 millones de páginas según el cálculo de Maestre, de las que más de la tercera partecorresponden a España. Se sitúa muy cerca del francés, pero bastante por debajo del japonés y elalemán. El inglés exhibe una supremacía absoluta, con índices entre el 70 y el 75%. La ubicuidadde la red y la condición del inglés como lingua franca son los dos factores a los que se atribuyeesta desproporción. Un dato ilustrativo de la encuesta de Masetre es la significativa presencia delenguas pequeñas como el neerlandés. Su presencia cuantitativa, en número de páginas, esequiparable a la del chino, con una tasa de páginas por habitante que resulta ser 657,18 vecesmás alta que la tasa de páginas en chino. (Los datos de la última columna de la tabla 7

22

corresponden a la proporción de páginas por cada 1.000 habitantes en los países de origen -España, Francia etc.- y se han extraído de la encuesta de Maestre, salvo las cifras entreparéntises, que se han calculado sobre el total de hablantes, y no sobre el de habitantes).

lenguas en las quese publica

a las quese traduce

páginasweb (UL)

páginasweb (IC) pág./hab

.

inglés 28% 5% 75% 70,05% (81,51)chino 13% 0,5% - 0,71% 0,86alemán 12% 17% 4,02% 3,34% 51,77francés 8% 6% 2,81% 1,96% 23,26español 7% 16% 2,53% 1,51% 22,94japonés 5% 5% - 5,01% (69,96)ruso 5% 3% - -portugués 5% 0% 0,82% 0,73% (7,51)neerlandés 2% 7% - 0,71% 56,85otras 15% 41% 14,82% 15.98%

100% 100% 100% 100%

Tabla 7. Comparativa de presencia internacional de las principales lenguas

No disponemos de datos sobre la presencia de páginas bilingües o multilingües en la red, aunquehay claros indicios de su rápido crecimiento. Una parte importante de las publicaciones enInternet proviene de los medios de comunicación, de las empresas transnacionales y de lasinstituciones internacionales. Todos ellos se afanan para que sus presencia en la red supere lasbarreras lingüísticas. Por ello, pese a la supremacía de los textos monolingües, la red se haconvertido también en un vasto corpus multilingüe que crece exponencialmente. Esto hadisparado la demanda de tecnologías con capacidad de procesamiento multilingüe: buscadoresinteligentes, sistemas de indización y catalogación, extractores de información, gestores deconocimientos, generadores de textos, generadores de resúmenes, etc. La lingüística de corpus ylas técnicas de alineación tienen el campo abonado en Internet.

9 ReferenciasJoseba Abaitua, Arantza Casillas, Raquel Martínez. 1997. Segmentación de corpus paralelos paramemorias de traducción. Procesamiento del Lenguaje Natural 21:17-30.

Joseba Abaitua, Arantza Casillas, Raquel Martínez. 1997. Tratamiento de textos administrativosbilingües: el proyecto LEGEBIDUN. Philologia Hispalensis 11-2:115-130.

Joseba Abaitua, Arantza Casillas, Raquel Martínez. 1998. Value added tagging for multilingualresource management. Proceedings of the 1st International Conference on Language Resourcesand Evaluation. Granada: 1003-1007.

Itziar Aduriz, Izaskun Aldezabal, Iñaki Alegría, Nerea Ezeiza, Ruben Urizar. 1996. Delanalizador morfológico al etiquetador/lematizador: unidades léxicas complejas y

23

desambiguación. Procesamiento del Lenguaje Natural.

Itziar Aduriz, Jose Maria Arriola, Xabier Artola, Arantza Díaz de Ilarraza, Koldo Gojenola, A.Maritxalar. 1997. Morphosyntactic disambiguation for Basque based on the Constraint Grammarformalism. Recent Advances in Natural Language Processing (RANLP'97).

Itziar Aduriz, Eneko Agirre, Izaskun Aldezabal, Iñaki Alegría, Jose Maria Arriola, XabierArtola, Koldo Gojenola, A. Maritxalar, Kepa Sarasola, Miriam Urkia. 2000. A word-grammarbased morphological analyzer for agglutinative languages. Proceedings of the 18th InternationalConference on Computational Linguistics (COLING'2000). Saarbrücken.

Salah Aït-Mokhtar y José Lázaro Rodrigo Mateos. 1995. Segmentación y análisis morfológicode textos en español utilizando el sistema SMORPH. Procesamiento del Lenguaje Natural 17:29-41.

Iñaki Alegria. 1995. Euskal morfologiaren tratamendu automatirako tresnak. Tesis doctoral.Universidad del País Vasco.

Alberto Álvarez Lugrís. 1999. Técnicas de representación en la lexicografía plurilingüe. Revistaespañola de lingüística aplicada. Volumen monográfico: 215-245.

Jose Maria Arriola. 2000. Euskal Hiztegia-ren azterketa eta egituratzea ezagutza lexikalareneskurateze automatikoari begira.Tesis doctoral. Universidad del País Vasco.

S. Atkins, J. Clear, N. Ostler. 1992. Corpus design criteria. Literary and Linguistic Computing 7-1: 1-16.

Jordi Atserias, Irene Castellón, M. Civit. 1998. Syntactic parsing of unrestricted Spanish text.Proceedings of the 1st International Conference on Language Resources and Evaluation.Granada.

Carme Bach, Roser Saurí, Jordi Vivaldi, M. Teresa Cabré. 1997. El Corpus de l'IULA.IULA/INF017/97 Universitat Pompeu Fabra.

Toni Badía. 1997. CATMORF: multi two-level steps for Catalan morphology. Applied NaturalLanguage Processing (ANLP'97). Washington.

Mona Baker. 1996. Corpus-based translation studies: the challenges that lie ahead. HaroldSomers (comp.) Terminology, LSP and translation: studies in language engineering in honour ofJuan C. Sager. John Benjamins.

Mona Baker. 1999. The role of corpora in investigating the linguistic behaviour of professionaltranslators. International Journal of Corpus Linguistics 4-2: 1-18.

Núria Bel, J. Marimón y J. Porta. 1996. Etiquetado morfosintáctico de corpus en el proyectoMULTEXT. Actas del XXVI Simposio de la Sociedad Española de Lingüística. Madrid.

Douglas Biber y Edward Finegan. 1986. An initial typology of English text types. Jan Aarts yWillen Meijs (comp.) Corpus Linguistics II: New Studies in the Analysis and Exploitation ofComputer Corpora. Rodopi: 19-46.

D. Birdsong. 1989. Metalinguistic performance and interlinguistic competence. Sringer-Verlag.

24

P.F. Brown, J. Cocke, S. Della Pietra, V. Della Pietra, F. Jelinek, R. L. Mercer y P. Roosin.1990. A statistical approach to machine translation. Computational Linguistics 16-2.

P.F. Brown, J. Lai y R.L. Mercer. 1991. Aligning sentences in Parallel Corpora. Proceedings ofthe Association for Computational Linguistics (ACL'91). Berkeley: 169-176.

Ralf D. Brown. 1996. Example-Based Machine Translation in the Pangloss System. Proceedingsof the 16th International Conference on Computational Linguistics (COLING'96): 169-174.

T. Briscoe y J. Carroll. 1997. Automatic extraction of subcategorization from corpora.Proceedings of Applied Natural Language Processing (ANLP'97), Washington.

David Brooks. 2000. What prize globalization? Language International 12-1: 17-20.

Arantza Casillas. 2000. Explotación de corpus alineados para el desarrollo de entornos decomposición de documentos estructurados bilingües. Tesis doctoral. Universidad de Deusto.

Arantza Casillas, Joseba Abaitua, Raquel Martínez. 1999. Extracción y aprovechamiento deDTDs emparejadas en corpus paralelos. Procesamiento del Lenguaje Natural 25: 33-41.

Arantza Casillas, Joseba Abaitua y Raquel Martínez . 2000. DTD-driven bilingual documentgeneration. International Natural Language Generation Conference (INLG'2000). MitzpeRamon, Israel.

Arantza Casillas, Joseba Abaitua y Raquel Martínez. 2000. Toward a Document-grammardefinition: Experiences with an aided document composition and translation tool. ExtremeMarkup Languages. Montreal

Arantza Casillas, Joseba Abaitua y Raquel Martínez. 2000. Recycling annotated paralell corporafor bilingual document composition. Proceedings of the 4th Conference of the Association forMachine Translation in the Americas (AMTA'2000). Cuernavaca.

R. Catizione, G. Russel y S. Warwick. 1993. Deriving translation data from bilingual texts.Proceedings of the 1st International Lexical Acquisition Workshop. Detroit.

J.P. Chanod y P. Tapanainen. Tagging French. 1995. Comparing a statistical and a contraint-based method. Proceedings of the European Chapter of the Association for ComputationalLinguistics (EACL'95), Dublín.

Karine Chevreau, José Coch, José A. García Moya, Margarita Alonso. 1999. Generaciónmultilingüe de boletines meteorológicos. Procesamiento del Lenguaje Natural 25: 51-58.

M. Collins. 1997. Three new probabilistic models for statistical parsing. Proceedings of theAssociation for Computational Linguistics (ACL'97), Madrid.

M. Collins, J.Hajic, L. Ramshaw, C. Tillman. 1999. Statistical parsing for Czech. Proceedings ofthe Association for Computational Linguistics (ACL'99), Maryland.

B. Daille, E. Gaussier, J.M. Lange. 1994. Towards automatic extraction of monolingual andbilingual terminology. Proceedings of the 15th International Conference on ComputationalLinguistics (COLING'94): 515-521.

I. Dagan, K. Church y W. A. Gale. 1993. Robust word alignment for machine aided translation.

25

Proceedings of the 1st Workshop on Very Large Corpora. Columbus.

I. Dagan y K. Church. 1994. Termight: Identifying and translating technical terminology.Proceedings of the 4th Conference on Applied Natural Language Processing (ANLP'94): 34-40.

T. Erjavec, N. Ide,V. Petkevic, J. Véronis. 1996. Multext-East: Multilingual text tools andcorpora for Central and Eastern European languages. Proceedings of the European TELRISeminar: Language Resources for Language Technology, 87-98.

Rosa Estopà. 1999. Eficiencia en la extracción automática de terminología. Perspectives: Studiesin Translatology 7-2: 277-286.

Nerea Ezeiza. 2000. Corpusak ustiatzeko tresna linguistikoak/ Herramientas lingüísticas para laexploración de corpus. Tesis doctoral. Universidad del País Vasco.

David Farwell, Stephen Helmreich, Mark Casper. 1995. SPOST: a Spanish part of speech tagger.Procesamiento del Lenguaje Natural 17: 42-53

Pascale Fung. 1995. Compiling bilingual lexicon entries from a non-paralell English-Chinesecorpus. Proceedings of the 3rd Workshop on Very Large Corpora. Boston.

Núria Gala. 1999. Using the incremental finite-state architecture to create a Spanish shallowparser. Procesamiento del Lenguaje Natural 25: 75-82.

W. A. Gale y K. W. Church. 1991. Identifying word correspondences in parallel texts.Proceedings of the 4th DARPA Speech and Natural Language Workshop: 152-157.

W. A. Gale y K. W. Church. 1993. A program for aligning sentences in bilingual corpora.Computational Linguistics 19-1: 75-102.

J. Gilarranz, Julio Gonzalo y Felisa Verdejo. 1997. Language-independent text retrieval with theEuroWordNet multilingual semantic database. Workshop on multilinguality in software industry:the AI contribution. Proceedings fo the International Joint Conference on Artificial Intelligence(IJCAI'97).

Gregory Grefenstette. 1998. Cross-language information retrieval. Kluwer Academic Press.

Koldo Gojenola. 2000. Euskararen sintaxi konputazionalerantz. Tesis doctoral. Universidad delPaís Vasco.

Koldo Gojenola y M. Oronoz. 2000. Corpus-based syntactic error detection using syntacticpatterns. Proceedings of the Student Research Workshop at Applied Natural LanguageProcessing (ANLP'2000). Seattle.

Javier Gómez Guinovart. 1999. La escritura asistida por ordenador. Universidad de Vigo.

Javier Gómez Guinovart y Anxo M. Lorenzo Suárez. 1996. Lingüística e informática. EdicionesTórculo.

J. Hajic y B. Hladká. 1998. Tagging inflective languages: prediction of morphological categoriesfor a rich, structured tagset. Proceedings of the Association for Computational Linguistics(COLING-ACL'98). Montreal.

26

Jos Hallebeek. 1999. El corpus paralelo. Procesamiento del Lenguaje Natural 24: 49-55.

A. Hartley C. Paris. 1997. Multilingual document production from support for translating tosupport for authoring. Machine Translation, 12:109-128.

Amparo Hurtado (comp.) 1994. Estudis sobre la traducció. Publicacions de la Universitat JaumeI.

Nancy Ide y J. Véronis. 1994. MULTEXT (Multilingual Text Tools and Corpora). Proceedingsof the International Wordshop on Shareable Natural Language Resources: 90-96.

Mats Johansson. 1996. Fronting in English and Swedish: a text based contrastive analysis. Percyy otros (comp.): 29-39.

Stig Johansson y Jarle Ebeling. 1994. Exploring the English-Norwegian parallel corpus. UdoFries, Totti Gunnel y Peter Schneider. Creating and using English language corpora. Rodopi.

Daniel Jones. 1996. Analogical Natural Language Processing. UCL Press.

Noziko Kando y A. Aizawa. 1998. Cross-lingual information retrieval using automatic generatedmultilingual keyword clusters. Proceedings of the 3rd International Workshop on InformationRetrieval with Assian Languages.

F. Karlsson, A. Voutilainen, J. Heikkilä, A. Anttila. 1995. Constraint Grammar: a languageindependent system for parsing unrestricted text. Mouton de Gruyter.

Philip King. 1997. Parallel Corpora for translator training. Barbara Lewandowska-Tomaszczykand Patrick James Melia (comp.) PALC '97 Practical Applications in Language Corpora. LodzUniversity Press. 393-402.

R. Kittredge. 1989. Multilingual Text Generation as an Alternative to Machine Translation.Proceedings of the 30th Annual Conference of the American Translators Association: 465-469.

J. Klavans y E. Tzoukermann. 1995. Combining corpus and machine translation dictionary datafor building bilingual lexicons. Machine Translation 10: 185-218.

A. Kumano y H. Hirakawa. 1994. Building an MT dictionary from paralell texts based onlinguistics and statistical information. Proceedings of the 15th International Conference onComputational Linguistics (COLING'94): 76-81.

J. Kupiec. 1993. An algorithm for finding noun phrase correspondance in bilinbual corpora.Proceedings of the Association for Computational Linguistics (ACL'93): 17-22.

Stig Johansson y Jarle Ebeling. 1996. Exploring the English-Norwegian parallel corpus. Percy yotros (comp.): 3-15.

L. Langlois. 1996. Bilingual concordances: A new tool for bilingual lexicographers. Proceedingsof the Conference of the Association for Machine Translation in the Americas (AMTA'96).

M. Lapta. 1999. Acquiring lexical generalizations from corpora: a case study of diathesisalternations. Proceedings of the Association for Computational Linguistics (ACL'99). Maryland.

Julia Lavid. 1995. From interpersonal options to thematic realization in multilingual

27

administrative forms. Working notes of the IJCA'95 workshop on multilingual text generation:75-83.

Julia Lavid. 1996. Generating thematic choices for multilingual text generation. Book of theALLC-ACH'96. A. Lindebjerg, E. Ore y O. Reigem (comp.) Norwegian Computing Centre forthe Humanities: 183-188.

Sara Laviosa. 1997. How comparable can 'comparable corpora' be? Target, 9-2: 289-319.

Sara Laviosa. 1998. The English Comparable Corpus: A resource and a methodology. LynneBowker, Michael Cronin, Dorothy Kenny y Jennifer Pearson (comp.). Unity in Diversity?Current Trends in Translation Studies. St. Jerome Publishing.

Geofrey Leech. 1993. Corpus annotation schemes. Literary and Linguistic Computing 8-4: 257-281.

Geofrey Leech, R. Garside, E. Atwell. 1983. The automatic grammatical tagging of teh LOBcorpus. ICAME news 7:13-33-

Rose Lockwood. 1998. Global English and language market trends. Language International 10-4: 16-18.

Pedro Maestre Yenes. 1999. La utilización de las diferentes lenguas en Internet. Centro VirtualCervantes. http://cvc.cervantes.es/obref/anuario_99/pmaestre/

Fernando Magán Muñoz. 1996. Estándares de representación da información textual emultimedia. Gómez y Lorenzo (comp.): 153-186.

Francisco A. Marcos Marín. 1991. ADMYTE (Archivo Digital de Manuscritos y TextosEspañoles); the Digital Archive of Spanish Manuscripts and Texts. Literary and LinguisticComputing 6-3: 221-224.

Francisco A. Marcos Marín. 1994. Informática y Humanidades. Gredos.

Lluis Márquez y Lluis Padró. 1997. A flexible POS tagger using an automatically acquiredlanguage model. Proceedings of the Association for Computational Linguistics (ACL'97): 238-245.

Mitch Marcus, B. Santorini. 1991. Building very large natural language corpora: the PennTreebank. CIS Report. University of Pennsylvania.

Raquel Martínez. 1999. Alineación automática de corpus paralelos: una propuestametodológica y su aplicación a un dominio de especialidad. Tesis doctoral. Universidad deDeusto.

Raquel Martínez, Joseba Abaitua, Arantza Casillas. 1998. Bitext correspondences through richmarkup. Proceedings of the Association for Computational Linguistics (COLING-ACL'98),Montreal: 812-818.

Raquel Martínez, Joseba Abaitua, Arantza Casillas. 1998. Aligning tagged bitexts. Proceedingsof the 6th Workshop on Very Large Corpora, Montreal: 102-109.

Tony McEnery y Michael Oakes. 1996. Sentence and word alignment in the CRATER proyect.

28

Thomas y otros (comp.): 211-231.

Tony McEnery y Andrew Wilson. 1996. Corpus Linguistics. Edinburgh University Press.

D. McKelvie y H.S. Thompson. 1994. TEI-Conformant Structural of a Trilingual Parallel Corpusin the ECI Multilingual Corpus 1. Proceedings of the International Wordshop on SharableNatural Language Resources: 108-112.

César Montoliu. 1998. La traducción automática en El Periódico de Catalunya. Puntoycoma 51:6-8.

Makoto Nagao. 1984. A framework of a mechanical translation between Japanese and Englishby analogy principle. Elithorn and Nanerji.

Junsaku Nakamura. 1991. The relationships among genres in the LOB corpus based upon thedistribution of grammatical tags. Jacet Bulletin 22: 55-74.

G.T. Nicol. 1995. The Multilingual World Wide Web. Electronic Book Technologies.http://mirage.irdu.nus.sg/multilingual/unicode/misc/multilingual-www.html

Christiane Nord. 1994. Traduciendo funciones. Hurtado (comp.) 97-112.

D. W. Oard y B.J. Dorr. 1996. A survey of multilingual text retrieval. Technical ReportUMIACS-TR-96-19. University of Maryland.

D. W. Oard. 1997. Alignment of Spanish and English TREC topic descriptions. 5th TRECConference (TREC-5).

K. Oflazer, D. Zeynep, H. Tür, G. Tür. 1999. Design for a Turkish treebank. Proceedings ofWorkshop on Linguistically Interpreted Corpora (EACL'99), Bergen.

M.T. Pazienza. 1998. Information Extraction: A multi-disciplinary approach to an emerginginformation technology. Springer-Verlag.

Javier Pérez Guerra. 1998. Introducción a la lingüística de corpus: un ejercicio conherramientas informáticas aplicadas al análisis textual. Ediciones Tórculo.

Chantal Pérez Hernández, Antonio Moreno Ortiz y Pamela Faber. 1999. Lexicografíacomputacional y lexicografía de corpus. Revista española de lingüística aplicada. Volumenmonográfico: 175-213.

Carol Peters y Eugenio Picchi. 1997. Across languages, across cultures: issues in multilingualityand digital libraries. D-Lib Magazine.

Eugenio Picchi y Carol Peters. 1996. Cross-language information retrieval: a system forcomparable corpus querying. Working Notes of the Workshop on Cross-Linguistic InformationRetrieval, ACM SIGIR'96, 24-33.

M. Pino y M. O. Santalla. 1996. Codificación morfosintáctica de corpus en lenguaje SGML.Procesamiento del Lenguaje Natural 20: 101-117.

Maria Piotrowska. 1997. Criteria for selecting parallel texts in teaching a translation course.Barbara Lewandowska-Tomaszczyk and Patrick James Melia (comp.) PALC '97 Practical

29

Applications in Language Corpora. Lodz University Press. 411-420.

Rosa Rabadán. 1994. Traducción, intertextualidad, manipulación. Hurtado (comp.): 129-139.

C. Samuelsson y A. Voutilainen. 1997. Comparing a linguistic and a stochastic tagger.Proceedings of Association for Computational Linguistics (ACL'97). Madrid: 246-251.

A Sánchez y P. Cantos. 1997. Predictability of word forms (types) and lemma in linguisticcorpora. A case study based on the analysis of the CUMBRE corpus: an 8 million word corpusof contemporary Spanish. International Journal of Corpus Linguistics 2-2: 259-280.

Fernando Sánchez-León. 1995. Desarrollo de un etiquetador morfosintáctico para el español.Procesamieto del Lenguaje Natural 17:14-28.

Fernando Sánchez-León, Jordi Porta, José Luis Sancho, Amalio Nieto, Almudena Ballester,Adelaida Fernández, Javier Gómez, Laura Gómez, Encarnación Raigal, Rafael Ruiz. 1999. Laanotación de los corpus CREA y CORDE. Procesamiento del Lenguaje Natural 25: 175-182.

Berber A. P. Sardinha. 1997. Patterns of lexis in original and translated business reports: textualdifferences and similarities. Karl Simms (comp.) Translating sensitive texts: linguistic aspects.Rodopi. 147-153.

Harold Somers. 1992. Interactive multilingual text generation for a monolingual user.Proceedings of the 4th International Conference on Theoretical and Methodological Issues inMachine Translation (TIM'92):151-161.

S. Sato y M. Nagao. 1990. Toward Memory-based Translation. Proceedings of the 13thInternational Conference on Computational Linguistics (COLING'90). Helsinki: 247-252.

Josef Schmied y Hildegard Schäffler. 1996. Approaching translationese through parallel andtranslation corpora. Percy y otros (comp). 41-56.

P. Sheridan y J.P. Ballerini. 1996. Experiments in multilingual information retrieval using theSPIDER system. Proceedings of the 19th ACM SIGIR Conference, 58- 65.

W. Skut, T. Brants, B. Krenn, H. Uszkoreit. 1998. A linguistically interpreted corpus of Germannewspaper text. Proceedings of 1st International Conference on Language Resources andEvaluation (LREC'98), Granada.

Frank Smadja, Kathleen MaKeown y Vasileios Hatzivassiloglou. 1996. Translating collocationsfor bilingual lexicons: A statistical approach. Computational Linguistics 22-1:1-38.

C.M. Sperberg-McQueen y Lou Burnard (comp.) 1994. Guidelines for Electronic Text Encodingand Interchange.

Robert Sprung. 1999. Crossing cultures: Time magazine opens new markets with Spanish andPortuguese editions. Language International 11-6: 22-25.

Michael Stubbs. 1996. Text and corpus analysis: computer-assisted studies of language andculture. Blackwell.

E. Sumita y H.Iida. 1991. Experiments and Prospects of Example-Based Machine Translation.Proceedings of the Association for Computational Linguistics (ACL'91). Berkeley: 185-192.

30

C. Tillmann, S. Vogel, H. Ney, A. Zuriaga. 1997. A DP based search using monotone alignmentsin statistical translation. Proceedings of the Association for Computational Linguistics (ACL'97):289-296.

Jenny Thomas y Mick Short (comp.) 1996. Using corpora for language research. Studies inhonour of Geoffrey Leech. Longman.

Gideon Toury. 1995. Descriptive translation studies and beyond. John Benjamins.

Margherita Ulrych. 1997. The impact of multilingual parallel concordancing on translation.Barbara Lewandowska-Tomaszczyk and Patrick James Melia (comp.) PALC '97 PracticalApplications in Language Corpora. Lodz University Press. 421-436.

Miriam Urkia. 1997. Euskal morfologiaren analisi automatikorantz. Tesis doctoral. Universidaddel País Vasco.

Jorge Vivaldi. 1996. Proyectos del IULA: Corpus técnico. V.M. Forcada, A.G. Carrasco y J.C.Sager. Estudios computacionales del español y el inglés. Instituto Cervantes.

Jorge Vivaldi. 1996. A LSP multilingual corpus. TermNet.

S. Vogel, H. Ney, C. Tillmann. 1996. HMM-based word alignment in statistical translation.Proceedings of the 16th International Conference on Computational Linguistics (COLING'96):836-841.

A. Voutilainen. 1997. Designing a parsing grammar. R. Roche y Y. Schabes (comp.) Finite-stateprocessing. MIT Press.

A. Winarske, S. Warwick-Armstrong, J. Hajic. 1992. Tagging and alignment of parallel texts:current status of BCP. Proceedings of the 3rd Conference on Applied Natural LanguageProcessing (ANLP'92). Terento: 227-228.

D. Wu. 1996. A polynomial-time algorithm for statistical machine translation. Proceedings ofthe Association for Computational Linguistics (ACL'96): 152-158.

Donghua Xu y Chew LIm Tau. 1999. Alignment and matching of bilingual English-Chinesenews texts. Machine Translation 14: 1-33.

Y. Yang.1998. An evaluation of statistical approaches to text categorization. InformationRetrieval Journal.

F. Yergeau, G. Adams y M. Duerst. 1997. Internationalization of the Hypertext MarkupLanguage. RFC 2070. Network Working Group. http://babel.alis.com:8080/web_ml/html/rfc-i18n/rfc-i18n-0.en.html